我听完 YC 合伙人 Garry Tan、Jared Friedman 关于 2026 年创业现状的对谈，几组数字很说明问题：硬科技公司占 YC 批次的比重从 8% 涨到 20%，几乎翻倍；一家公司结束批次时的中位数月收入，也从 8,000 美元涨到 20,000 美元。

你有没有想过，创业这件事的底层逻辑可能已经被悄悄改写了？那些我们曾经认为理所当然的事——你需要联合创始人、你需要一支工程师团队、硬件创业太烧钱风险太高——这些假设正在一个一个被推翻。YC每年跟几千家创业公司打交道，他们看到趋势的时间往往比市场早半年到一年。最近，YC的Garry Tan、Jared Friedman、Diana Hu和Harj Taggar在Lightcone Podcast上做了一期关于2026年创业公司现状的深度对谈，我认真听完之后，有几个观点让我停下来反复想了很久。

这期节目里有两组数据让我印象特别深。一是YC批次里硬科技（hard tech）公司的占比，从8%涨到了20%，几乎翻倍。二是YC公司在一个批次结束时的中位数月收入，从之前的8,000美元涨到了现在的20,000美元，增幅超过两倍。这两个数字背后反映的，是创业生态里正在同时发生的两场根本性变化：一场发生在创业方向上，一场发生在创业速度上。我想把这期节目里最值得深想的几个判断梳理出来，加上我自己的一些思考，跟你分享。

一、从bits到atoms：硬科技为什么突然变得可行了

Diana在节目里给出了一组非常具体的数字。机器人公司的占比从1%涨到了将近7%，工业制造类公司从4%涨到了10%，半导体和光子学从1%涨到了将近4%，能源基础设施也从1%涨到了3%左右。Garry把这个时代称为“机器时代（age of the machine）”。这些数字翻了三到五倍，不是小幅调整，是方向性的转变。Diana还提到，当前YC批次里六分之一的创始人拥有博士学位，这是历史最高水平。硬科技的回归，本质上是深度专业知识的回归。

Jared给出了他认为硬科技能真正爆发的核心原因，我觉得这个判断非常扎实。他说，以前做硬科技很难，很大程度上是因为软件工程师是稀缺资源。如果你要做全栈硬件，从固件到应用层，你需要大量顶尖的软件工程师，而这些人要么被大厂锁住了，要么就要花天价薪水才能挖来。但现在AI coding（AI编程工具）的出现让这个瓶颈变小了很多，你不再需要组建一支上千人的工程师团队，一个小而精的团队借助AI工具就能推进以前必须靠大团队才能完成的工作量。更深一层的变化是，AI正在直接加速科学研究本身。顶尖模型的存在让硬科技创业公司能够更早取得更大的研究突破，而这些突破以前可能需要一个设备齐全的大实验室花上好几年时间。所以不是投资人因为软件不好做了才被迫转向硬科技，而是硬科技本身因为AI变得更加可行了。这是一个很重要的区分。

我自己觉得，这个逻辑链条比表面看起来更深。过去二三十年，风险投资之所以大量涌向SaaS，是因为SaaS的边际成本接近于零，增长曲线好看，退出路径清晰。但这背后有一个隐含前提：软件工程师是稀缺资源，拥有一支优秀的工程团队本身就是护城河。现在这个前提在动摇，AI把软件执行能力民主化了，纯软件的护城河越来越难守，但反过来，那些需要深度领域知识、需要处理物理世界复杂性的硬科技，其护城河反而因为AI的存在变得更容易建立——你可以用更小的团队推进更复杂的研究，而对手很难在短时间内复制你积累的领域数据和实验经验。这才是硬科技回归的真正底层逻辑。

Diana还提到了几个驱动硬科技崛起的宏观趋势。SpaceX的成功带动了一批想在太空领域创业的创始人，YC当前批次里就有专门做主权Starlink（卫星互联网）替代方案的Exosat，以及为太空卫星建造太阳能电池板的Beyond Reach Labs。AI对算力的需求让数据中心建设本身成了一个巨大的物理基础设施问题，从选址建设到散热供电，全链条都有机会。这些宏观力量叠加在一起，共同把资本和人才推向了“原子世界”。

二、新生态崛起如何重塑整条供应链

Garry在节目里提到了一个现象，我觉得特别值得单独拿出来说。他举的例子是Knox Metals，这家公司在底特律那些空置了多年的老工厂里重建美国的金属制造业。为什么能长得像软件公司一样快？因为新一代技术创业公司需要大量金属原材料，但那些传统的老供应商根本跟不上新一代公司的节奏，既在交货速度上跟不上，也在协作方式上对接不了。Garry把Knox Metals比作早年YC时代的Stripe——你理论上可以用老牌信用卡处理商，但用Stripe就是更顺滑、更快、更懂你。

这个比喻背后有一个更大的规律值得深想。每一次新生态的崛起，都不只是在终端产品层面创造机会，整个供应链的每一层都在等待被用新的方式重做一遍。Web 2.0时代，Stripe重做了支付、AWS重做了服务器、Twilio重做了通讯，这些基础设施公司的回报不亚于任何一家应用层公司。现在这轮AI和硬科技浪潮同样如此，真正的机会不只是在最终用户看得见的产品层，而是在那些支撑新生态运转的基础供给层。问题在于，这些机会往往不够性感，不容易拿来做演示，所以很多创业者会把眼光集中在终端应用上，而忽视了供给侧的空白。

我自己的判断是，在任何一个快速崛起的新技术生态里，最先跑出来的供给侧公司往往拥有最强的定价权，因为需求方对价格不敏感——他们要的是速度和可靠性，而不是最低价。当需求侧的公司都在拼速度时，能跟上他们节奏的供给方，本身就稀缺。

三、AI算力正在变成物理基础设施问题

Harj在节目里提到了一个反直觉的现象：英伟达的A100 GPU每小时的租用价格正在上涨，而不是下降。这在芯片历史上几乎是从未发生过的事，以前的规律是芯片越旧越便宜，但现在因为AI需求爆炸而供给跟不上，连“旧”一点的GPU都在涨价。这意味着算力本身已经从一个纯粹的IT采购问题变成了一个物理基础设施稀缺性问题，就像土地或者电一样。

Jared详细聊了几个在这个层面做事情的公司。一家叫Dipole Labs，做的是光子学交换机（photonic switch），用来替换数据中心里连接不同GPU的电子交换机。现在GPU的运算速度越来越快，但连接它们的交换机成了瓶颈，因为电子信号的传输速度跟不上。Dipole Labs的方案是全光子路径，从GPU A到GPU B全程用光子传输，速度会远超现有的电子交换机。还有一家叫Bot，在尝试用三值表示法（ternary representation，即把模型权重压缩到三个离散值）来做新的硬件架构，因为LLM（大语言模型）实际上并不需要完整的浮点精度，英伟达自己从A100到H100再到B300这几代产品也在不断降低浮点精度，这个方向是有数据支撑的。

我自己觉得，这个层次的机会是普通AI应用层创业者很少认真去看的地方，但它的战略重要性其实非常高。一个现实是，模型能力的天花板很大程度上取决于你能用多快、多便宜的方式完成训练和推理，而这背后是芯片、互连、供电这些物理层的约束。Jared说的那个判断我觉得很关键：每个时代都有自己的“限制性试剂（limiting reagent）”，以前是软件工程师，现在是物理算力基础设施。找到当下最紧缺的那一环，往往就找到了最有价值的创业机会。这些机会对创始人的技术背景要求极高，不是随便一个人都能进场，但一旦做成，护城河也是极其深的。

四、机器人正在接近自己的ChatGPT时刻

Garry说，整个行业都有一种感觉：我们快到机器人的ChatGPT时刻了，但还没完全到。有一个他提到的benchmark（基准测试）数据让我感受到了这种接近感：在某个任务完成率的测试上，之前领先的模型成绩大概是10%，而最新的Astra已经能完成60%-70%的任务。这是一个量级的跳跃，而且发生在几周之内。Garry说，现在的感觉就是每隔几周就有新突破，每天早上醒来，那些上个月还跑不通的东西突然就能用了。

Jared和Diana聊到了机器人领域的一个关键判断，这个判断我觉得值得仔细说。机器人基础模型（robotics foundation model）的特性和LLM有本质区别。LLM是在把世界建模成语言，但机器人需要把世界建模成三维物理空间，自由度要高得多。更关键的是，机器人需要实时响应，不像LLM那样可以慢慢生成，然后你去查看结果。如果一个工业机器人在数据中心里接错了一根线，或者有人来干扰它的操作，它需要在毫秒级做出判断和反应，容错空间极小。Jared提到，YC里所有在用Physical Intelligence（物理智能基础模型）来做机器人部署的公司，没有一家是直接用基础模型的，所有人都在针对自己的具体场景做fine-tuning（微调）。他举了Ultra这个例子，这家公司在PI模型的基础上加入了几千小时的“把东西放进箱子”的操作录像，结果这个模型在做这件特定任务上变得非常好。

我自己从这里看到了一个更大的规律：在物理世界里，通用能力是起点，垂直领域的专有数据才是真正的护城河。这跟软件世界里的逻辑很不一样。软件时代，护城河往往来自网络效应或者用户习惯；机器人时代，护城河来自于你拥有多少真实世界里特定场景的高质量操作数据。这种数据不能爬取，不能合成，只能靠在真实环境里持续积累。这意味着在机器人赛道里，先入局、先跑量、先积累数据的公司，会形成一个很难追赶的复利优势。谁先拿到那几千小时的垂直场景数据，谁就在这个场景里建立了几乎无法被后来者绕过的壁垒。

五、软件没有死 它正在变成harness

节目里有一段对话我觉得非常值得细想。Garry提到Salesforce最近表现出乎意料地好，这让很多喊“SaaS已死”的声音有点尴尬。他的解释是：如果你是一个system of record（系统记录，即数据存储和管理的核心系统），而AI agent可以用你，那你实际上比以前更有价值，因为agent使用软件的频率会远超人类。

但Garry紧接着说了一个很重要的判断：每一个system of record都面临一个选择。你要么发布MCP（Model Context Protocol，模型上下文协议），让自己的数据可以被外部的agent轻易调用，但这样你的数据护城河就消失了，别人的切换成本变得极低。要么你主动变成一个harness（执行枢纽），不只是让人读写你里面的数据，而是让人在你这里真正完成工作，让agent在你的系统里执行任务、交付结果。Garry以Slack为例：如果Slack成为agent的主要协作界面，而Salesforce又控制着Slack，那么它就同时拥有了数据层和执行层，这是一个非常强的组合护城河。Diana补充了一个数据，YC当前批次里做“端到端完整任务”的公司比例从10%涨到了超过25%，这些公司不是在提供一个需要人来操作的工具，而是直接交付结果——比如做完整保险经纪流程、完整临床入院评估、完整医疗账单处理。

我自己对这个问题的看法是，“system of record变成harness”这个转变，表面上是产品形态的升级，背后其实是商业模式的重构。一个只记录数据的工具，定价逻辑是按席位收费，用户数量上限是这家公司的员工数。但一个真正完成任务的harness，定价逻辑可以是按任务量、按结果、按节省的人力成本收费，理论上没有天花板，而且替换成本极高，因为你不只存了他们的数据，你还跑着他们的核心工作流。这对SaaS创业者的启示是，不要只问“你的产品能让用户做什么”，而要问“你的产品能帮用户做完什么”，这一字之差，背后是完全不同的商业潜力。

六、数据和RL环境是一个被严重低估的赛道

Garry提到了一个很多人不知道的数字：仅在过去两年里，YC就资助了十几家公司，每一家都靠向AI实验室出售数据或强化学习（RL，reinforcement learning）环境，年营收超过1,000万美元，有些公司甚至达到了数亿美元规模，而这些公司大多只有两三岁。他说，大型AI实验室在这个领域的年支出据报道大约是10亿美元量级，但这在业界几乎不是公开谈论的话题。

Jared解释了为什么数据这件事会形成如此高的商业价值。数据是scaling law（规模定律）的三条腿之一，另外两条是算力和模型架构。大家很多时候只盯着算力看，但没有高质量的数据，模型就没法进步。而RL环境这件事越来越走向垂直化和专业化，比如专门做金融场景的RL环境，需要的是对金融业务的深度理解加上相当扎实的工程能力，这种组合不是随便能复制的。Garry还提到，这个赛道的公司普遍不愿意曝光自己的成绩，原因很简单：一旦公开说自己做得很好，竞争对手就会涌进来。在数据业务里，先发优势是非常真实的。

在机器人领域，这个趋势还在继续扩大。Garry提到，实验室现在需要的不只是文本数据，而是大量真实世界的物理操作数据，比如以自我为中心视角（egocentric data）拍摄的动作录像，以及真实工业场景里的任务数据。YC当前批次里就有公司在全球建了一张网络，让各地的工业生产场所持续产生操作数据，专门卖给机器人实验室。这种“现实世界数据采集网络”听起来不像是一个性感的产品，但它可能是未来几年里回报最确定的基础设施投资之一。

我自己觉得，这个赛道最反直觉的地方在于：它看起来像是在给别人做嫁衣，帮大实验室训练更好的模型，但实际上数据供应商积累的是极难复制的资产——真实场景的数据采集能力、标注质量控制体系、以及与实验室之间建立起来的信任关系。当模型公司需要新一轮数据时，他们不会随便找一个陌生供应商，他们会找上次合作顺畅的那个。这种信任壁垒，加上数据本身的积累效应，让这个赛道的头部公司拥有一种从外部看不太显眼、但非常扎实的竞争优势。

七、单人创始人和有经验的创始人正在同时回归

Diana给了两个让我觉得特别有说服力的数字。一是YC批次里solo founder（单人创始人）的比例，从之前的5%涨到了将近19%，几乎是四倍。二是YC历史上一些最成功的公司，比如Instacart的创始人、Coinbase的Brian Armstrong，都是以单人身份进入YC的，联合创始人是后来才加入的。这不是新鲜事，只是现在的技术条件终于让更多人能走这条路了。

Jared说，以前solo创业意味着你必须同时在三件事上都异常出色——想到要做什么、能说服别人相信你、能自己把东西做出来。这三个条件同时满足的人极少，所以单人创业者历来都是极为罕见的例外。现在的变化是，“把东西做出来”这件事的门槛被AI大幅降低了，并不是说技术不重要了，而是你不需要在技术上也达到那种完全顶尖的水平，才能开始把想法变成产品。所以更多人能跨过这个门槛。但Jared同时也说，有联合创始人依然是加分项，那些后来成功的solo founder大多在公司起步之后陆续加入了联合创始人，只是股权结构和传统的“两个人从零开始”有所不同。

Garry提到的另一个现象是有经验的创始人正在强势回归。他举了Peter Steinberger的例子，40多岁，有开发管理背景，做过多个项目，深度使用过早期的AI工具，试了很多方向，然后因为知道该做什么、知道哪里有坑，而变得异常有效率。Garry说了一句我觉得特别到位的话：“如果你已经走过一些弯路，你就知道龙在哪里（you know where the dragons are）。” 他还说，管理coding agent（AI编程代理）和管理工程师团队有一些本质上的相通之处，那些带过大型工程团队的人，在安排任务、分解问题、判断输出质量这些事情上，本能上就比从没管过人的人更顺手。

这个观察让我自己也想了很多。我们这个时代经常有一种隐性叙事，就是创业是年轻人的事，越年轻越能颠覆越好。但YC的数据在告诉我们另一件事：那些“走过一些路、积累了一些判断力”的人，在AI工具充分普及的今天，可能比以往任何时候都更有竞争力。原因很简单，AI把执行成本压低了，但它没有办法给你替换掉领域认知和判断力。你在一个行业里摸爬滚打了十年，你知道客户真正的痛点在哪里、哪些解决方案看起来好但实际上行不通、什么时候该坚持什么时候该转向——这些东西是提示词（prompt）给不了你的，只有经历给得了你。

八、我自己最大的感受

听完这期节目，我一直在想一件事：这个时代里最稀缺的东西到底是什么？Garry在节目结尾说了一句话，“你需要知道该做什么（you need to know what to build），这是现在最重要的事。” 我觉得这句话戳到了一个特别核心的地方，值得认真展开想一想。

过去几十年里，创业的门槛主要来自执行层：你能不能招到足够好的工程师、你能不能融到足够多的钱、你能不能在组织上撑住规模扩张。这些门槛都是很实在的、客观存在的稀缺性。但现在AI把执行层的成本压低了，门槛开始向上移动，移动到了判断层：你有没有足够深的领域知识，知道一个问题值不值得解决、解决方案该长什么样子、什么时候该坚持什么时候该等一等。

这就是为什么有经验的创始人在这个时代突然变得更有竞争力。不是因为他们更聪明，而是因为他们积累了判断力，知道龙在哪里，知道哪些坑看起来诱人但是跳进去就出不来了。同时这也是为什么solo founder能越来越多，因为那个必须靠联合创始人来补足的短板，也就是技术执行能力，已经在相当程度上可以靠AI工具来弥补了。

但有一点我觉得特别值得警惕：判断力不是通过提示词能获得的东西。它来自于你在某个领域真正做过事、踩过坑、见过真实用户的反馈、理解过一个行业真正的运作方式。这也是为什么Diana说一个批次里六分之一的创始人有博士学位，不是学历重要，是那些年深入研究某个具体问题的时间，让他们有了那种判断力。AI工具让每个人都能跑得更快，但方向对不对，这件事从来没有捷径。

我常常想，这轮AI浪潮里最容易被低估的一类人，是那些在某个具体行业深耕了十年、但还没开始创业的人。他们有判断力，现在又有了AI工具作为执行引擎，缺的可能只是那一步迈出去的勇气。Garry在节目里直接说，如果你在网上喊了这么久、一直有自己的想法，那你现在已经没有借口了，打开AI工具，开始做吧。我觉得这句话不是在鸡汤式地鼓励人，它背后有真实的数据支撑——AI让执行变得便宜了，但这反而让判断力变得更贵了。知道该做什么，这件事从来没有像现在这样重要过。